数据挖掘领域的十大经典算法

国际权威的学术组织the IEEE International Conference on Data Mining（ICDM）2006年12月评选出了数据挖掘领域的十大经典算法：C4.5、k-means、SVM、Apriori、EM、PageRank、AdaBoost、KNN、Naive Bayes、CART。

C4.5（决策树算法）

C4.5算法是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：

• 利用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性不足问题。
• 在树的构造过程中进行剪枝。
• 能够完成对连续属性的离散化处理。
• 能够对不完整的数据进行处理

C4.5算法有如下优点：产生的分类规则利于理解，准确率高。缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效

K-means算法（K均值算法）

k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k<n。它与处理混合正态分布的最大期望值算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自空间向量，并且目标是使各个群组内部的均方误差总和最小。

Support vector machines（支持向量机算法，简称SVM）

SVM算法是一种监督式学习的方法，它广泛应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分割超平面使两个平行超平面的距离最大化。假定平行超平面的距离或间距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。

The Apriori algorithm

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。

最大期望算法（EM算法）

在统计计算中，最大期望（EM，Expectation-Maximization）算法是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Cluster）领域

PageRank

PageRank算法是Google算法中的重要内容，2001年9月被授予美国专利，专利人是Google的创始人之一Larry Page。因此PageRank里的Page不是指网页，而是指Larry Page。PageRank根据网站的外部链接和内部链接的数量和质量来衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着其他网站的投票越多。这个就是所谓的“链接流行度”-衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引用的频度-即被别人引用的次数越多，一般就认为这篇论文的权威性越高

AdaBoost

AdaBoost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个最终分类器（强分类器）。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

KNN（k-nearest neighbor classification）

k最邻近分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

Naive Bayes（朴素贝叶斯模型）

在众多的分类模型中，应用最广泛的两种分类模型是决策树模型和朴素贝叶斯模型。朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分析效率。同时，朴素贝叶斯模型所需估计的参数很少，对缺失的数据不敏感，算法也比较简单。理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但实际上并非如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，朴素贝叶斯模型的分类效率比不上决策树模型。而在属性相关性较小时，朴素贝叶斯模型的性能较为良好

CRAT（分类与回归树）

CART（Classification and Regression Trees）。在分类树下有两个关键思想，第一个是关于递归地划分自变量空间的想法。第二个思想是用验证数据进行剪枝